نهج الشبكات العصبية التفافية لتسريع رسم خرائط ضوضاء المرور

لماذا تهم ضوضاء المدينة في الحياة اليومية

يحيط لسكان المدن ضجيج المرور الذي قد يعيق النوم، ويزيد التوتر، ويؤثر على الصحة النفسية. تحاول السلطات إدارة هذه الملوثات الخفية عبر «خرائط الضوضاء» التفصيلية التي تُظهر شدة الضجيج في الشوارع والأحياء المختلفة. لكن إنتاج هذه الخرائط باستخدام النماذج الحاسوبية التقليدية بطيء ومكلف لدرجة أنها تُحدَّث عادةً كل بضع سنوات فقط. تستكشف هذه الدراسة كيف يمكن لنوع من الذكاء الاصطناعي يُسمى الشبكة العصبية التفافية أن يُسرّع رسم خرائط ضوضاء المرور مع الحفاظ على دقة عملية مناسبة للتخطيط العملي والبحوث الصحية.

من الشوارع المزدحمة إلى صور تقرأها الحواسيب

يبدأ المؤلفون من الطريقة التقليدية لصنع خرائط الضوضاء. تأخذ الأدوات القياسية معلومات تفصيلية عن الطرق، وحجم المرور، وأنواع المركبات، وأشكال المباني، والحواجز، ثم تُحاكي كيف ينتقل الصوت وينعكس عبر المدينة. هذه العملية دقيقة جداً لكنها بطيئة بشكل مؤلم، خصوصاً عندما يجب حساب ملايين المواقع. بدلاً من استبدال هذه المحاكاة الفيزيائية كلياً، يستخدم الفريق نتائجها كمدرّس. يحولون معلومات الخريطة نفسها إلى طبقات شبيهة بالصور ويقرنون كل «صورة» بمستوى الضوضاء المحاكى عند موقع واحد. تصبح هذه الأزواج بيانات تدريب لنموذج ذكاء اصطناعي يعتمد على الصور ليتعلم التنبؤ بالضوضاء مباشرة من صور نمط الخرائط.

كيف ترى النموذج الجديد المدينة

يصمم الباحثون عدة صيغ صور لالتقاط ما يهم في ضوضاء المرور. يُحيط بكل موقع مستهدف كيلومتر مربع من المدينة، مقطّعاً إلى شبكة. في هذه الصور، تُشفّر قيم البكسل عناصر مثل ارتفاع المباني، وكثافة المرور، وسرعات الطرق. ابتكار رئيسي هو إضافة رقعة مركزية عالية التفصيل تزوّد تكبيراً للمسافة البالغة 100 متر الأقرب إلى نقطة الاستماع، حيث تؤثر الطرق والجدران القريبة بقوة في ما يسمعه الناس فعلاً. تُغذى هذه الرؤية ثنائية الطبقة، التي تجمع بين سياق واسع وتفاصيل دقيقة، إلى شبكات تعرف على الصور قياسية مُكيّفة لتخرج رقماً بدلاً من فئة: مستوى الضوضاء المتوقّع.

اختبار السرعة والدقة بالمقارنة مع طرق أخرى

لتقييم ما إذا كانت هذه الاختصارات بالذكاء الاصطناعي مفيدة، يقارن الفريق أداؤها بنماذج تعلم آلي معروفة تعمل على ميزات رقمية مصممة يدوياً بدلاً من الصور. باستخدام بيانات ضوضاء محاكية لأكثر من مليونين ونصف نقطة في مدينة غوانغجو بكوريا الجنوبية، يقيمون خطأ كل نموذج ووقت معالجته. تضاهي الشبكات المعتمدة على الصور أو تتفوق على دقة أفضل النماذج التقليدية، على الرغم من أنها لا تحتاج إلى هندسة ميزات معقدة. باستخدام معالج رسومي حديث، يمكن للشبكة المفضلة أن تحسب نحو 1800 توقع في الثانية وتولد خريطة ضوضاء كاملة لمدينة يبلغ عدد سكانها نحو 1.4 مليون شخص في أقل من نصف ساعة، مقارنةً بالشهور التي تتطلبها محاكاة تقليدية على محطات العمل بمفردها.

التكيّف إلى مدن جديدة ببيانات قليلة إضافية

تحدٍ رئيسي لأي نموذج معتمد على البيانات هو الأداء الجيد في أماكن لم يرها من قبل. يختبر المؤلفون ذلك بأخذ نموذج مدرّب على غوانغجو وتطبيقه على سيول ودايجون، مدينتين كوريّتين أخريين تختلفان في تخطيط الطرق وأنماط المرور. في البداية، تكون توقعات المدن الجديدة متحيزة بشكل ملحوظ، لكن الفريق يقوم بعدها بضبط دقيق للنموذج باستخدام عينة صغيرة من البيانات المحاكية من كل موقع جديد. مع نسبة قليلة فقط من البيانات المتاحة، تصل الشبكات المعدلة إلى مستويات خطأ قريبة من تلك الملاحَظة في المدينة الأصلية. تُظهر الفحوص البصرية للخرائط الناتجة أن النموذج يتعلم تصحيح التقليل قرب الطرق الرئيسية والمبالغة في المناطق الأكثر هدوئاً مع امتصاصه للهيكل المحلي لكل مدينة.

الحدود والخطوات المستقبلية من أجل الاستخدام الواقعي

على الرغم من أن نموذج الذكاء الاصطناعي يعمل بسرعة، إلا أنه لا يزال يتعلم من بيانات محاكية بدلاً من قياسات ميدانية، وهو حالياً يركز على نافذة زمنية واحدة لذروة المرور بدلاً من أنماط اليوم والليل الكاملة. كما أنه يرى فقط مساحة تبلغ كيلومترًا واحدًا حول كل نقطة ولا يشمل صراحة فروق الارتفاع بين الطرق والمستقبلات، وهو ما قد يكون مهماً في التضاريس التلّية أو حول الطرق المرتفعة. يقترح المؤلفون أن دمج منهجهم مع قياسات ميدانية فعلية، ومعلومات ثلاثية الأبعاد أكثر ثراءً، ومصادر بيانات وطنية قد يؤدي إلى رسم خرائط ضوضاء شبه فوري. سيساعد ذلك مخططي المدن، وخبراء الصحة العامة، وعلماء الاجتماع في تتبّع من هم الأكثر تعرضاً لضوضاء المرور الضارة بشكل أدق وكيف قد تغير الطرق الجديدة أو الحواجز هذا التعرض.

الاستشهاد: Choi, S., Park, T., Lim, J. et al. Convolutional neural network approach for accelerated traffic noise mapping. Sci Rep 16, 15406 (2026). https://doi.org/10.1038/s41598-026-46367-3

الكلمات المفتاحية: ضوضاء المرور, رسم خرائط الضوضاء, الشبكة العصبية التفافية, الصوت الحضري, نظم المعلومات الجغرافية